完整TRIZ：融合大数据分析以强化决策的创新方法论

段玉聪（Yucong Duan）

DIKWP-AC人工意识实验室

AGI-AIGC-GPT评测DIKWP（全球）实验室

DIKWP research group, 海南大学

duanyucong@hotmail.com

摘要：在信息爆炸和大数据时代背景下，传统的技术创新方法论TRIZ遇到了新的挑战和机遇。DIKWP-TRIZ框架下的完整TRIZ（数据TRIZ）利用大数据技术对传统TRIZ工具进行扩展和强化，为创新决策提供了数据驱动的支持。本文详细阐述了数据TRIZ在决策过程中如何保证数据全面性和解决方案的多角度考虑，探讨了数据TRIZ的理论模型、实施策略及在实践中的应用。

关键词：完整TRIZ, 数据TRIZ, DIKWP-TRIZ, 大数据, 数据分析, 创新方法论, 决策支持

引言：随着科技进步和市场需求的多变，企业的创新活动愈加复杂且具挑战性。在这样的背景下，如何利用日益增长的数据资源来辅助决策，成为了提高企业竞争力的关键。本文提出的数据TRIZ，即在TRIZ的基础上整合大数据分析，以期提高决策的质量和创新解决方案的成功率。本文首先回顾了TRIZ的基本原理和发展，随后详细探讨了数据TRIZ的理论框架和实施策略，并通过案例分析展示其在实际应用中的效用和潜力。

理论基础与历史背景：传统的TRIZ方法论以其独特的问题解决框架和工具被广泛应用于解决技术和工程上的矛盾。随着大数据时代的到来，TRIZ方法论需要与数据分析相结合，以适应新的创新环境。完整TRIZ的理念在于不仅仅是寻找解决方案，而是通过数据分析来确保解决方案的全面性和适应性。本部分将详细介绍TRIZ的发展和数据TRIZ的理论基础。

数据TRIZ的主要特征：

1. 数据驱动的创新： 描述数据TRIZ如何通过实时数据分析来捕捉市场趋势和技术演进。

2. 全面性考量： 阐释数据TRIZ如何确保从多维度和角度考虑问题，避免局部优化而忽视整体效益。

3. 决策支持系统： 讨论数据TRIZ如何构建和利用决策支持系统来进行更有效的问题分析和解决方案生成。

数据获取与处理：本部分将探讨数据TRIZ在获取和处理数据方面的策略和工具。包括数据的来源、数据清洗和预处理的重要性，以及如何通过数据挖掘技术提取有价值的信息。

解决方案的开发与验证：在此部分中，将详细讨论如何使用数据TRIZ来发展创新解决方案。包括使用模型和算法预测解决方案效果，以及如何进行后续的验证和迭代改进。

案例研究：选择几个与数据TRIZ相关的成功案例进行分析，展示其在不同领域和问题解决中的具体应用。

挑战与展望：讨论实施数据TRIZ过程中可能遇到的挑战，如数据质量控制、隐私和安全问题、以及跨领域知识的融合难题等。同时，对数据TRIZ在未来的技术创新中可能发挥的作用提供前瞻性的分析。

我们可以从多个维度来比较传统TRIZ和DIKWP-TRIZ（包括数据TRIZ，即完整TRIZ）。以下是一个详细的对比分析表格：

这个表格涵盖了从理论基础到实施难度的各个方面，显示了传统TRIZ与DIKWP-TRIZ在方法论、工具和应用领域上的主要区别。DIKWP-TRIZ与数据TRIZ尤其强调了数据和知识在创新过程中的作用，反映了现代信息技术对传统创新方法的影响和扩展。

结论：数据TRIZ作为一种前沿的创新方法论，其结合了大数据的力量和TRIZ的系统性。通过在决策过程中融合数据分析，数据TRIZ不仅能够提升解决方案的全面性，还能够加速创新进程，使企业在竞争中获得优势。然而，为了实现数据TRIZ的潜力，企业需要投入资源来克服相关挑战，并持续优化其创新流程。

参考文献：

1. Altshuller, G. (1984). Creativity as an Exact Science. Gordon and Breach.

2. Altshuller, G., & Shulyak, L. (2002). 40 Principles: TRIZ Keys to Technical Innovation. Technical Innovation Center, Inc.

3. Fey, V., & Rivin, E. I. (2005). Innovation on Demand: New Product Development Using TRIZ. Cambridge University Press.

4. Kaplan, S. (1996). An Introduction to TRIZ: The Russian Theory of Inventive Problem Solving. Ideation International Inc.

5. Rantanen, K., & Domb, E. (2008). Simplified TRIZ: New Problem-Solving Applications for Engineers. CRC Press.

6. Mann, D. L. (2007). Hands-On Systematic Innovation for Business and Management. IFR Press.

7. Savransky, S. D. (2000). Engineering of Creativity: Introduction to TRIZ Methodology of Inventive Problem Solving. CRC Press.

8. Zlotin, B., & Zusman, A. (2001). Directed Evolution: Philosophy, Theory and Practice. Ideation International Inc.

9. Orloff, M. A. (2006). Inventive Thinking through TRIZ: A Practical Guide. Springer.

10. Terninko, J., Zusman, A., & Zlotin, B. (1998). Systematic Innovation: An Introduction to TRIZ. CRC Press.

11. Souchkov, V. (2008). TRIZ and Systematic Business Model Innovation. Value Innovation.

12. Cascini, G., & Russo, D. (2007). Computer-Aided Analysis of Patents for Product Innovation: Comparing Strategic Design and TRIZ. Creativity and Innovation Management, 16(3).

13. DeCarlo, N., & DeCarlo, D. (2002). The 7 Steps of Creative Thinking: Rationalize, Analyze, Detect, Enhance, Locate, Implement, Predict. The TRIZ Journal.

14. Chechurin, L., & Borgianni, Y. (2016). Value Driven TRIZ Innovation of Product-Service Systems. Procedia CIRP.

15. Lee, S., & Park, J. (2005). TRIZ-facilitated Innovation Strategy in Information Technology. Journal of Computer Information Systems.

16. Kim, C., & Song, B. (2007). Creating New Product Ideas with TRIZ-Based Semantic Network Analysis. Expert Systems with Applications.

17. Vincenti, W. G. (1990). What Engineers Know and How They Know It: Analytical Studies from Aeronautical History. Johns Hopkins University Press.

18. Bogatyreva, O., et al. (2010). Bridging the Gaps between Innovation, TRIZ, and Biological Analogy. Procedia Engineering.

19. Sokolov, G., & Abramov, O. (2019). TRIZ and Digital Transformation: From Information to Knowledge Management. Journal of Engineering and Technology Management.

20. Sato, Y., & Hanaoka, K. (2007). TRIZ-based Technology Forecasting: Identification of Evolution Patterns. Futures.

21. 
    

TRIZ 是俄语 "Теория решения изобретательских задач" 的缩写，英文全称为 "Theory of Inventive Problem Solving"。这是一种解决复杂问题和创新设计挑战的方法论，最初由苏联发明家和科学家 Genrich Altshuller 及其同事在 1946 年开发，并且自那时起不断发展和完善。

TRIZ 基于这样的理念：创造性问题解决的规律是普遍适用的，而且这些规律可以通过分析大量的发明专利来识别。TRIZ 的目的是帮助解决问题的人预测技术系统的发展方向，并找到创新解决方案，从而突破传统的思维方式和技术障碍。

TRIZ 方法论包括多种工具和概念，其中包括：

1. 问题分析工具：

• 功能分析：识别系统中的所有组件以及它们之间的关系。

• 问题形式化：将实际问题转换为标准问题。

2. 解决问题的原则和模式：

• 发明原理：用于生成解决问题的创新思路的40种普遍原理。

• 矛盾矩阵：用于解决发明问题中的技术矛盾，通过将问题描述转换为标准参数并使用预先定义的解决方案。

• 物质-场分析：使用物质和场的概念来改进系统或解决问题。

3. 创新过程：

• ARIZ（Algorithm for Inventive Problem Solving）：一种结构化的问题解决过程，旨在系统化地引导用户从问题的描述转向解决方案的创造。

4. 预测工具：

• 技术系统发展的规律：描述了系统随着时间的发展所遵循的一般规律和趋势。

• S-曲线分析：评估技术系统的成熟度和潜在的发展空间。

TRIZ 被广泛应用于产品设计、工程、问题解决等领域。它鼓励创新者超越现有知识的边界，通过新颖的途径解决问题。TRIZ 的一个核心概念是，创新常常涉及解决系统中的矛盾，即所谓的技术矛盾和物理矛盾。技术矛盾是指系统的某些部分需要进行某种改进，但这种改进可能会损害系统的其他部分。物理矛盾是指同一部件或特性在不同条件下需要有不同的状态。

TRIZ 方法论的优势在于它提供了一种系统化的创新过程，这一过程通过分析和应用以前解决类似问题的方法，有助于加速和指导创新活动。尽管它最初是为了解决工程和技术问题而开发的，但TRIZ 的原则和工具已被应用于商业、管理和社会科学等其他领域。

段玉聪，海南大学计算机科学与技术学院教授，博士生导师， 第一批入选海南省南海名家计划、海南省领军人才，2006年毕业于中国科学院软件研究所，先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学数据、信息、知识、智慧、意图DIKWP创新团队负责人、兼重庆警察学院特聘研究员、海南省委双百人才团队负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。自2012年作为D类人才引进海南大学以来，累计发表论文260余篇，SCI收录120余次，ESI高被引11篇,引用统计超过4300次。面向多行业、多领域设计了241件（含15件PCT发明专利）系列化中国国家及国际发明专利，已获授权第1发明人中国国家发明专利及国际发明专利共85件。2020年获吴文俊人工智能技术发明三等奖；2021年作为程序委员会主席独立发起首届国际数据、信息、知识与智慧大会-IEEE DIKW 2021；2022年担任IEEE DIKW 2022大会指导委员会主席；2023年担任IEEE DIKW 2023大会主席；2022年获评海南省最美科技工作者（并被推全国）；2022年与2023年连续入选美国斯坦福大学发布的全球前2%顶尖科学家的“终身科学影响力排行榜”榜单。参与研制IEEE金融知识图谱国际标准2项、行业知识图谱标准4项。2023年发起并共同举办首届世界人工意识大会（Artificial Consciousness 2023, AC2023)。

• 数据（Data）可以理解为我们认知的“相同”语义的具象表示。数据通常表示一种具体化的事实或观察结果，其背后蕴含着某种特定的语义。在处理数据时，我们常常会寻找并抽取相同的语义，将其统一视为一个概念。例如，我们看到一群羊，虽然每只羊的体型、颜色、性别等可能有所不同，但我们会把它们归为“羊”的概念，因为它们共享了我们对“羊”这个概念的语义理解。
  

• 
  信息（Information）则是对应认知中的“不同”语义的表达。信息通常指我们通过感官和观察获得的有关环境或某个对象的知识或数据。在处理信息时，我们会根据输入的数据找出其内在的不同之处，并将其分类。例如，在停车场中，尽管所有汽车都可以归类到“汽车”这一概念，但每一辆汽车都有其特殊性，如品牌、型号、颜色等，这些都是信息。
  
  知识（Knowledge）对应于认知中的“完整”语义。知识是我们通过信息获得的对于世界的理解和解释。在处理知识时，我们会通过观察和学习抽象出完整的概念或模式。例如，通过观察我们得知所有的天鹅都是白色，这是我们通过收集大量信息后得出的关于“天鹅”这一概念的一个完整认识。
  
  智慧（Wisdom）对应着伦理、社会道德、人性等方面的信息，是一种对知识和信息的高度理解、综合和应用。在处理智慧时，我们会整合这些信息，并运用它们来指导决策。例如，当面对一个决策问题时，我们会考虑到伦理、道德、可行性等各个方面的因素，而不仅仅是技术或者效率。
  
  意图（Purpose）可以理解为一个二元组（输入，输出），其中输入和输出都是DIKWP内容。意图代表了我们对某一现象或问题的理解（输入）以及我们希望通过处理和解决该现象或问题来达到的目标（输出）。在处理意图时，人工智能系统会根据其预设的目标（输出），处理输入的DIKWP内容，通过学习和适应，使其输出趋近于预设的目标。